《International Journal of Applied Earth Observation and Geoinformation》：Towards onboard thermal hotspots segmentation with raw multispectral satellite imagery
编辑推荐：
为应对热异常（如野火、火山活动）检测的高延迟难题，本研究提出一种面向星上处理的热异常分割新流程。该方案利用原始多光谱影像（Sentinel-2 NIR/SWIR波段），结合轻量化全卷积网络（ResUNet-S2），在CubeSat级硬件（CogniSAT-XE2）上实现端到端1.45秒的快速检测，交并比（IoU）达0.988，峰值功耗仅4.05 W，为低轨卫星实时灾害监测提供了可行路径。
热异常事件，如肆虐的野火与喷发的火山，对社会经济和生态环境造成巨大破坏。2018年美国加州“坎普山火”（Camp Fire）过火面积逾600平方公里，导致85人丧生，直接经济损失高达165亿美元。传统卫星监测手段主要依赖地面站接收数据后再处理，受限于卫星重访周期与数据传输瓶颈，热异常检测的延迟长达数小时至数天，难以满足灾情早期预警的时效性需求。
目前主流的热异常检测系统（如FIRMS、MIROVA）虽能提供近实时（NRT）监测，但其空间分辨率较低（百米至公里级），且多采用基于阈值的上下文检测算法，在复杂地理环境与多变气象条件下泛化能力有限。此外，这些系统均需将海量影像数据全部回传地面，未能发挥星上智能处理的潜力。
针对上述痛点，本研究提出一种创新的星上载荷处理流程，可在卫星轨道上直接对原始多光谱影像进行热异常分割。该方案突破性地利用未经辐射定标的原始数字数值（DN）数据，避免耗时的影像预处理，显著降低计算复杂度。研究团队还构建了首个公开的热异常分割数据集SegTHRawS，包含1,648张Sentinel-2原始影像，为算法训练提供基础。
发表于《International Journal of Applied Earth Observation and Geoinformation》的这项研究，其技术核心涵盖三个关键环节：首先对多光谱波段进行粗配准，消除由推扫式传感器引起的波段间空间偏移；随后将影像切割为256×256像素块，适配边缘计算硬件内存限制；最后通过优化的全卷积网络（如ResUNet-S2）实现像素级分割。该网络通过减少层级、压缩滤波器数量、引入残差连接等策略，在保持高精度的同时实现快速推理（单块处理50.28毫秒）。实验在Raspberry Pi 3B+与CogniSAT-XE2嵌入式系统上验证，端到端处理耗时1.45秒，峰值功耗4.05 W，显著低于影像采集时间（3.6秒），证实其星上部署可行性。
主要研究成果如下：
- •
检测性能优越：在SegTHRawS数据集上，ResUNet-S2模型的交并比（IoU）和F1分数分别达到0.988与0.986，优于多数对比模型。
- •
泛化能力强：在外部数据集（de Almeida Pereira等，2021）上的零样本检测IoU为0.694，经微调后提升至0.835，显示模型对未知场景的适应能力。
- •
资源效率高：轻量化模型（如ResUNet-S0）体积仅0.031 MB，推理时间28.75毫秒，适合资源受限的星载平台。
- •
弱标签有效性：通过严格多数投票（5种算法投票）生成的弱标签掩膜，有效缓解了数据标注成本高与类别不平衡问题。
讨论与结论
本研究首次实现了基于原始多光谱影像的星上热异常分割流程，解决了传统方法依赖地面处理的延迟痛点。通过结合轻量化网络设计与边缘计算硬件，在检测精度与能耗间取得平衡，为下一代智能地球观测卫星提供了技术范式。值得注意的是，方案仍存在一定局限：如分割结果仅为5 km2的粗略区域，难以精确定位小尺度事件；部分假阳性源于云层反射或标注噪声。未来工作将探索多波段组合优化、传感器无关的分割框架，并扩展数据集覆盖更多灾害类型，以提升算法的鲁棒性与实用性。
注：全文内容均基于文档原文提炼，未引入外部信息。专业术语如“短波红外（SWIR）”“交并比（IoU）”等均在文中出现，模型名称（ResUNet-S2）、硬件平台（CogniSAT-XE2）及性能数据（1.45秒、4.05 W）均直接引自文档。
